Human Brain Project und Intel arbeiten gemeinsam an der Weiterentwicklung der neuromorphen Technologie

Ein Team von Forschern an der Human Brain Project (HBP) arbeiten mit Intel zusammen, um die neuromorphe Technologie voranzutreiben und die KI näher an die Energieeffizienz des menschlichen Gehirns heranzuführen. Im Vergleich zu anderen KI-Systemen ist die neuromorphe Technologie für große Deep-Learning-Netzwerke energieeffizienter. 

Forscher des HBP und von Intel führten eine Reihe von Experimenten durch, um diese Effizienz zu demonstrieren. Bei den Experimenten handelte es sich um einen neuen Intel-Chip, der auf Neuronen basiert, die denen im menschlichen Gehirn ähneln. Dies war das erste Mal, dass solche Ergebnisse nachgewiesen wurden. 

Die Forschung wurde in veröffentlicht Natur Maschinenintelligenz. 

Intels Loihi-Chips

Die Gruppe konzentrierte sich auf Algorithmen, die mit zeitlichen Prozessen arbeiten, und das System musste Fragen zu einer zuvor erzählten Geschichte beantworten und gleichzeitig die Beziehungen zwischen Objekten oder Personen aus dem Kontext verstehen. Die Hardware bestand aus 32 Loihi-Chips, den neuronalen Forschungschips von Intel. 

Phillip Plank ist Doktorand am Institut für Theoretische Informatik der TU Graz und Mitarbeiter bei Intel. 

„Hier ist unser System zwei- bis dreimal wirtschaftlicher als andere KI-Modelle“, sagt Plank. 

Plank glaubt, dass die Einführung der neuen Loihi-Generation weitere Effizienzsteigerungen mit sich bringen und die energieintensive Chip-zu-Chip-Kommunikation verbessern wird. Messungen ergaben, dass der Verbrauch 1000-mal effizienter war, da keine erforderlichen Aktionspotentiale erforderlich waren, die zwischen den Chips hin- und hergeschickt werden mussten. 

Die Gruppe reproduzierte eine vermutete Methode des menschlichen Gehirns. 

Wolfgang Maass ist Doktorvater von Philipp Plank und emeritierter Professor am Institut für Theoretische Informatik. 

„Experimentelle Studien haben gezeigt, dass das menschliche Gehirn auch ohne neuronale Aktivität Informationen für kurze Zeit speichern kann, und zwar in sogenannten ‚internen Variablen‘ von Neuronen“, sagt Maass. „Simulationen legen nahe, dass ein Ermüdungsmechanismus einer Untergruppe von Neuronen für dieses Kurzzeitgedächtnis wesentlich ist.“

Verknüpfung von Deep-Learning-Netzwerken

Um dies zu erreichen, verknüpfen die Forscher zwei Arten von Deep-Learning-Netzwerken. Die rückgekoppelten neuronalen Netze sind für das „Kurzzeitgedächtnis“ verantwortlich und wiederkehrende Module filtern mögliche relevante Informationen aus dem Eingangssignal heraus und speichern sie. Ein Feed-Forward-Netzwerk ermittelt, welche der gefundenen Beziehungen für die Lösung der aktuellen Aufgabe wichtig sind. Bedeutungslose Beziehungen werden herausgefiltert und die Neuronen feuern nur in den Modulen, in denen relevante Informationen gefunden wurden. Dieser gesamte Prozess führt zu erheblichen Energieeinsparungen. 

Steve Furber ist Leiter der HBP-Abteilung für neuromorphes Computing und Professor für Computertechnik an der University of Manchester. 

„Dieser Fortschritt bringt das Versprechen einer energieeffizienten ereignisbasierten KI auf neuromorphen Plattformen einen wichtigen Schritt näher an die Verwirklichung. Der neue Mechanismus eignet sich gut für neuromorphe Computersysteme wie Intel Loihi und SpiNNaker, die Neuronenmodelle mit mehreren Kompartimenten unterstützen können“, sagte Furber.